Обучение фондовому рынку. Чистая сеть. Должен ли я заменить значения NaN нулями или заполнить их в соответствии с последней сделкой?

Question

Я работаю над нейронной сетью, использующей Tensorflow на Python с массивным набором данных фондового рынка. Мои функции примерно такие, как показано ниже

Table 1.0

0   Date               Open      Close     High     Low
1   2019-01-01 09:00   200        201      202      199
2   2019-01-01 09:01   NaN        NaN      NaN      NaN
3   2019-01-01 09:02   200        201      202      199

For the index row 2, I can either make the Nan's 0 and train the neural network OR fill in the values as per the previous slot's close.

Table 2.0

0   Date               Open      Close     High     Low
1   2019-01-01 09:00   200        201      202      199
2   2019-01-01 09:01   201        201      201      201
3   2019-01-01 09:02   200        201      202      199

Q1. Будет ли значение 0 / Nan более эффективным при обучении модели, что указывает на низкую важность этого запаса, или я должен использовать закрытие предыдущего слота в качестве значений (Таблица 2.0) для обучения модели?

Q2. Обязательно ли преобразовывать NaN в 0 для обучения модели?

Answer 1

Вам определенно не следует использовать 0 в вашем наборе данных.Хороший способ понять, почему нужно построить различные столбцы и увидеть их непрерывность.Если вы хотите предсказать вариацию акций в зависимости от прошлого, вам необходимо убедиться, что значение, которое вы указали вместо NaN, соответствует ближайшим значениям.Предоставление предыдущего или следующего значения может быть решением, но в случае большого изменения вы можете увидеть, что оно становится бессмысленным.Хорошим вариантом является интерполяция между двумя ближайшими точками: вы берете среднее значение предыдущего и следующего значения, и оно дает вам приблизительное значение того, каким должно быть значение.

То, что вы можете сделать, это также добавитьслучайное число к данным предыдущего дня, чтобы создать случайную прогулку.Позвольте привести несколько примеров:

• здесь для простой интерполяции:

• здесь дляпример случайного блуждания с максимальным расстоянием до предыдущего шага, установленным на 5:

(я поставил один, идущий от 0 до 190, чтобы избежатьизменение масштаба)